为了开发 GNoME，Google DeepMind 使用了一种称为“主动学习”的训练过程来提高其性能（图片：CC BY-NC 2.0 DEED）GNoME 强调了使用 AI 大规模发现和开发新材料的潜力，并承诺开发未来的变革性技术

谷歌 DeepMind 开始通过其新的深度学习工具材料探索图网络 (GNoME) 释放更大的人工智能潜力，该工具致力于通过预测加速发现。

GNoME 旨在通过预测新材料的稳定性来提高发现的速度和效率。它是一种最先进的图神经网络（GNN）模型，并使用 Google DeepMind 所谓的“主动学习”来增强其性能，使其能够预测新材料的稳定性。

该工具强调了人工智能在大规模发现以及预测新型稳定晶体结构中的可能前景。

增强全球深度学习解决方案

深度学习是人工智能（AI）的一种方法，它被教导以受人类计算机启发的方式处理数据。

据《麻省理工科技评论》报道，GNoME 技术已用于预测 220 万种新材料的结构，其中 700 多种现已在实验室中创建并正在进行测试。

因此，Google DeepMind 于上周（2023 年 11 月）向研究人员提供了其预测。它表示将向材料项目贡献 380,000 份预计稳定的材料。该项目目前正在处理这些化合物并将其纳入其在线数据库中。

这些材料可用于制造从电池到超导体等各种产品。最终的目标是，这些资源将推动无机晶体的研究，并展示机器学习工具的新用例，作为技术领域内实验的指南。

“借助 GNoME，我们使人类已知的技术上可行的材料数量成倍增加。在其 220 万个预测中，有 380,000 个是最稳定的，这使得它们成为实验合成的有希望的候选者，”该公司在声明中表示。

“这些候选材料中有潜力开发未来变革性技术，包括超导体、超级计算机供电和下一代电池，以提高电动汽车的效率。”

图片：谷歌 DeepMind

提高发现率，彻底改变材料

为了开发 GNoME，Google DeepMind 使用了一种称为“主动学习”的训练过程来提高其性能。 GNoME 可以生成对新颖、稳定晶体结构的预测，然后对其进行测试，从而将高质量的训练数据反馈到模型训练中。

该公司的研究最终将材料稳定性预测的发现率从大约 50% 提高到 80%。此外，Google DeepMind 通过将发现率从不到 10% 提高到 80% 来提高模型效率，强调了速度的提高如何影响每次发现所需的计算量。

这一消息是在谷歌 DeepMind 的 AlphaFold 取得巨大成功之后发布的，该算法用于预测蛋白质结构，努力推进全球医疗保健解决方案。该公司被誉为科学突破，改变了此类科学的运作方式，使研究人员能够在更短的时间内分析数据。

改进技术领域的发现具有对人类产生革命性影响的巨大潜力。使用训练有素的人工智能模型来改善服务并扩大人工智能影响的企业有望带来更多发现，为人员和产品带来更好的结果。

该公司补充道：“我们的研究以及伯克利实验室、谷歌研究院和世界各地团队的合作者的研究表明了使用人工智能指导材料发现、实验和合成的潜力。

“我们希望 GNoME 与其他人工智能工具一起能够帮助彻底改变当今的材料发现并塑造该领域的未来。”

谷歌 DeepMind 研究副总裁 Pushmeet Kohli 告诉《连线》杂志，目前 GNoME 的发布纯粹是为了学术目的，企业用例将根据具体情况进行审查。

******

如需了解有关 AI 世界的更多见解，请查看最新一期的AI 杂志，并务必在LinkedIn和Twitter上关注我们。

其他可能感兴趣的杂志 –技术杂志|网络杂志。

另请查看我们即将于 2024 年 3 月 6 日至 7 日举行的活动 – Sustainability LIVE Net Zero 。

******

BizClik是一家全球 B2B 数字媒体平台提供商，涵盖首席执行官、首席财务官、首席营销官、可持续发展领导者、采购和供应链领导者、技术和人工智能领导者、网络领导者、金融科技和保险科技领导者的高管社区，以及制造业等行业、采矿、能源、电动汽车、建筑、医疗保健和食品。

BizClik 总部位于伦敦、迪拜和纽约，提供内容创作、广告和赞助解决方案、网络研讨会和活动等服务。